Tehnološki Trendi Digitalne Preobrazbe

TEHNOLOŠKI TRENDI DIGITALNE
PREOBRAZBE
MARJETA MAROLT IN GREGOR LENART
Univerza v Mariboru, Fakulteta za organizacijske vede, Kranj, Slovenija
E-pošta: marjeta.marolt@um.si, gregor.lenart@um.si
Povzetek Digitalne tehnologije so eden izmed pomembnih

dejavnikov, ki vplivajo na digitalno preobrazbo. Umetna
inteligenca izboljšuje funkcionalnost naprav, ki jih vsakodnevno
uporabljamo, v ospredju se pojavlja robotika, ki avtomatizira
proizvodne procese, pojavljajo se avtonomna vozila, virtualna
realnost nam je bližja kot kdaj koli doslej. Organizacije si želijo
slediti digitalnim smernicam in tako iščejo načine, kako bi
digitalno tehnologijo, ki jo imajo na voljo, čim bolje izrabile za
dosego zastavljenih ciljev. Skladno s tem se spreminjajo in
razvijajo tudi tehnološki trendi. Čeprav je digitalna tehnologija v
zadnjem desetletju dosegla zrelost, se trend razvoja na tem
Ključne besede:
področju ne umirja. Tisto, kar je danes aktualno, čez nekaj let ali digitalne
morda še prej ne bo več. V prispevku je predstavljen razvoj tehnologije,
digitalnih tehnologij in prebojne tehnologije, ki trenutno digitalna
preobrazba,
narekujejo digitalno preobrazbo. Uporabnost digitalnih organizacije,
tehnologij je dodatno ponazorjena s predstavitvijo primerov iz trendi
razvoja,
prakse. V zaključku so podani prihajajoči tehnološki trendi prebojne
razvoja. tehnologije
DOI https://doi.org/10.18690/978-961-286-509-2.2
ISBN 978-961-286-509-2
DIGITAL TRANSFORMATION
TECHNOLOGICAL TRENDS
MARJETA MAROLT & GREGOR LENART
University of Maribor, Faculty of Organizational Sciences, Kranj, Slovenia
E-mail: marjeta.marolt@um.si, gregor.lenart@um.si
Abstract Digital technologies are one of the key drivers of the

digital transformation we are witnessing these days. Artificial
intelligence is making our devices smarter every day, robots that
automate production processes are making their way into
factories, autonomous vehicles are emerging, virtual reality is
bringing distant worlds closer to us than ever before. Businesses
are embracing digital technologies and looking for ways to make
the most of them to achieve their goals. Accordingly, digital
technology trends are also continuously developing and evolving.
Despite the fact that the development of digital technologies has
reached a certain level of maturity over the past decade, it is not
slowing down. What is state of the art today may not be the case
in a few years or even sooner. The chapter presents the evolution
Keywords: of digital technologies and breakthrough technologies that are
digital,
currently driving digital transformation. The applicability of
technology,
transformation, digital technologies is further illustrated through the presentation
organizations, of business cases and best practices. The conclusion discusses
trends,
breakthrough
the business perspectives of the upcoming digital transformation
technologies trends.
https://doi.org/10.18690/978-961-286-509-2.2 DOI
978-961-286-509-2 ISBN
M. Marolt in G. Lenart: Tehnološki trendi digitalne preobrazbe 47.
1 Uvod
Digitalne tehnologije so eden izmed pomembnih zunanjih dejavnikov, ki vplivajo na

digitalno preobrazbo (Verhoef idr., 2021). Digitalne tehnologije so rezultat odkritij
in razvoja zadnjih 80 let, vendar so šele v zadnjem desetletju dosegle tako zrelost, da
predstavljajo pomembno gonilo radikalnim spremembam (Heilig, Schwarze, &
Voss, 2017). Kljub temu pa raziskave (Farhadi, Ismail, & Fooladi, 2012; Vu, 2011)
kažejo, da je razvoj digitalnih tehnologij že v začetnih fazah razvoja vplival na
gospodarsko rast in življenjski slog.
Eksponentni razvoj digitalnih tehnologij temelji na Teoriji informacij,

mikroelektronike in radijske komunikacije. Začetke beležimo v štiridesetih letih
prejšnjega stoletja. Takrat je bila računalniška oprema na voljo le vojski za obrambne
namene. Računalniška oprema je bila draga, zasedala je veliko prostora, tehtala več
ton in imela v primerjavi z današnjimi računalniki bistveno slabše zmogljivosti.
Konec petdesetih let prejšnjega stoletja so izumili mikročip in polprevodniški
tranzistor, ki sta omogočila, da je analogno računalništvo postalo digitalno (Heslop,
2019). V šestdesetih letih prejšnjega stoletja je bila računalniška oprema še vedno
zelo draga, je pa zasedla manj prostora, saj je bil glavni računalnik velik kot omara.
V taki obliki se je začela uporabljati v večjih korporacijah, kjer so imeli zaposlene
strokovnjake, ki so jo znali uporabljati. Zaradi slabših zmogljivosti so bile posamezne
naloge, ki so jih izvajali s pomočjo računalniške opreme, razporejene v čakalno vrsto
(Tardieu, Daly, Esteban-Lauzán, Hall, & Miller, 2020). V tem obdobju se je
vzpostavilo tudi prvo delujoče omrežje, imenovano ARPANET (predhodnik
interneta). Po tem omrežju je bilo poslano prvo elektronsko sporočilo. Do
osemdesetih let prejšnjega stoletja se je računalniška oprema zaradi nadaljnje
miniaturizacije in dostopnih cen razširila po vseh vrstah in velikostih organizacij.
Postala je dostopna tudi za osebno rabo. Prenos in izmenjava podatkov sta večinoma
potekali preko fizičnih medijev, kot je disketa. V osemdesetih letih prejšnjega stoletja
so na trg lansirali prvi mobilni telefon. Poleg tega je Tim Berners Lee zasnoval
svetovni splet, kot ga poznamo še danes (Heslop, 2019).
Šele v devetdesetih letih prejšnjega stoletja so postali računalniki del vsakdana, tako
na delovnem mestu kot tudi za zasebno rabo. Kot prenosni medij pa sta se pojavila
zgoščenka in DVD, nekoliko kasneje še USB mediji. V tem obdobju se je razširila
uporaba mobilne telefonije in interneta. Internet je omogočil medsebojno
48 ZNANSTVENO-RAZISKOVALNI TRENDI NA PODROČJU DIGITALNE PREOBRAZBE.
povezanost številnih računalnikov, kar je privedlo do množičnega ustvarjanja vsebin.

Vsebina se je v veliki meri izmenjevala preko elektronske pošte. Mobilni telefoni so
sprva imeli podobne funkcionalnosti kot klasični telefoni, le da so bili uporabniki
dosegljivi tudi, če niso bili na delovnem mestu ali doma. V drugi polovici
devetdesetih let sta se na trgu pojavila Google in Amazon ter prvi družabni mediji
(npr. forumi in Myspace). V začetku tega stoletja se je uporaba interneta razširila po
celem svetu, razširilo se je tudi e-poslovanje. Ker takrat širokopasovni internet še ni
bil razširjen, so se vzpostavili protokoli za obsežnejšo izmenjavo podatkov. Pojavila
se je tudi nova generacija družbenih medijev (npr. Facebook, Skype, Youtube),
uporaba fizičnih medijev za prenos podatkov pa se je zmanjšala, saj so se začeli
uporabljati sodobnejši načini izmenjave podatkov v realnem času. Netflix je s svojo
storitvijo revolucionarno spremenil način ponujanja vsebin, s prihodom pametnega
telefona na dotik (iPhone) pa se je začela revolucija osebnega mobilnega
računalništva (Tardieu idr., 2020).
Vsa omenjena tehnologija nam omogoča, da lahko virtualnega asistenta vprašamo

za najkrajšo pot do cilja, hitro najdemo izdelek, ki ga želimo kupiti in ga lahko tudi
takoj plačamo, se sporazumevamo s prijatelji, družino in sodelavci preko
najrazličnejših medijev. Širše sprejetje digitalnih tehnologij pa ne prinaša le prednosti,
ampak so s tem povezane tudi številne negativne posledice, ki so se začele kazati
okrog leta 2010 (Tardieu idr., 2020). Predvsem gre tu za pomanjkljivo zakonodajo
glede zasebnosti podatkov, nepismenost uporabnikov glede varnosti podatkov in
anonimnostjo interneta; vse to pa predstavlja priložnosti za spletno ustrahovanje,
kibernetsko zalezovanje in nadlegovanje ter poplavo lažnih novic. Slika 1 prikazuje
kratko zgodovino razvoja digitalnih tehnologij do zadnjega desetletja.
Slika 1: Kratka zgodovina razvoja digitalnih tehnologij

Vir:
Kljub negativnim posledicam se trend razvoja na področju digitalnih tehnologij ne

umirja. V zadnjem desetletju smo priča številnim tehnološkim novostim. Umetna
inteligenca plemeniti naše naprave, ki jih vsakodnevno uporabljamo, v ospredju se
pojavlja robotika, ki avtomatizira proizvodne procese, pojavljajo se avtonomna
vozila, virtualna realnost nam je bliže kot kadarkoli doslej. Tudi na področju
kibernetske varnosti je zaslediti številne napredke v zadnjih letih, saj se z razvojem
interneta stvari (IoT) in rabe drugih digitalnih tehnologij tveganje napadov povečuje.
K vse večji rabi digitalnih tehnologij in tudi k razvoju je močno pripomogla trenutna
pandemija COVID-19. Digitalne spretnosti in digitalne tehnologije so omogočile
nadaljevanje dela in bodo imele ključno vlogo tudi pri gospodarskem okrevanju
(Evropska komisija, 2020).
2 Tehnološki trendi razvoja
Obstaja več tehnologij in tehnoloških trendov, ki v zadnjih letih vplivajo na

preoblikovanje podjetij in družbe. Sprva je bila velika osredotočenost na družbene
medije, mobilno tehnologijo, analitiko in oblačne storitve. Te tehnologije so se v
začetku uporabljale ločeno na posameznih poslovnih področjih, sedaj jih podjetja
želijo vključiti v digitalno poslovno strategijo in tako iščejo načine, kako bi
tehnologijo, ki jo imajo, čim bolje izrabili za dosego zastavljenih ciljev. Skladno s tem
se spreminjajo in razvijajo tudi tehnološki trendi. Tisto, kar je danes aktualno, čez
nekaj let ali še prej morda ne bo več.
Trenutno so poleg štirih zgoraj omenjenih tehnologij aktualne tudi umetna

inteligenca, internet stvari, tehnologije veriženja blokov, 3-D tisk, navidezna in
obogatena resničnost, digitalni dvojčki, kvantno računalništvo in nanotehnologija.
Te tehnologije so na različnih stopnjah zrelosti, kar pomeni, da imajo zgodovino
uporabe, znani pa so tudi neki splošni trendi razvoja posamezne tehnologije, ki so
predstavljeni so tabeli 1.
Tabela 1: Tehnološki trendi in njihova zrelost

(povzeto po Innovecs (2020); Sheldon (2020); Tardieu et al. (2020))
Digitalne
2015–2020 2020–2025
tehnologije
Znani številni primeri dobrih Naraščanje popularnosti trženja
praks, tako za namene trženja, preko vplivnežev, vključevanje
Družbeni mediji upravljanja odnosov s pogovornih robotov in umetne
strankami kot tudi novačenja inteligence ter obogatene
zaposlenih. resničnosti.
Nadaljnji razvoj mobilnih
aplikacij za poslovne namene, ki
bo vključeval umetno
Močno je zaznamovala način inteligenco in strojno učenje,
Mobilna
dela in sodelovanja zaposlenih internet stvari, navidezno in
tehnologija
v podjetjih. obogateno resničnost,
tehnologijo veriženja blokov
itd., kar bo primerno za vse
vrste in velikosti podjetij.
Oblačne storitve so se izkazale
kot bistvena tehnologija
Razširitev hibridne arhitekture
digitalne preobrazbe, saj so
in hkratna uporaba več oblačnih
temelj inovacij, kot so npr.
Oblačne storitve platform bo omogočila
tehnologije veriženja blokov,
podjetjem ne le tehnološke,
umetna inteligenca, internet
ampak tudi poslovne inovacije.
stvari, robotika, navidezna in
obogatena resničnost.
Znani primeri dobrih praks, ki
vključujejo uporabo tehnologij Vključevanje preskriptivne
Umetna inteligenca za robotsko avtomatizacijo analitike in umetne inteligence v
procesov in predikativne celotno poslovanje.
analitike.
Preverjeni primeri (npr. Vse večja povezanost sistemov
logistični ekosistemi), ki in naprav. Preprosto, hitro in
Internet stvari
dokazano prinašajo časovne in varno vključevanje novih
finančne prihranke. naprav.
Idejni in pilotski projekti, Razširitev na različna področja
Tehnologije
predvsem v bančništvu in in s tem zagotavljanje
veriženja blokov
oskrbovalni verigi. transparentnosti poslovanja.
Uporaba predvsem za namene Uvedba v proizvodne procese in
3-D tisk prototipiranja, tudi za rezervne integracija z informacijskimi
dele. sistemi.
Znani primeri dobrih praks na
Navidezna in
storitvenem področju, Uporaba pri vseh procesih, ki
obogatena
predvsem za trženje, prodajo temeljijo na sodelovanju.
resničnost
in izobraževanje.
Digitalne
2015–2020 2020–2025
tehnologije
Preproste simulacije s področja Kompleksni simulacijski modeli,
Digitalni dvojčki upravljanja življenjskega kroga povezani z informacijskimi
produkta. sistemi.
Eksperimentiranje s pomočjo
Kvantno
simulatorjev za boljše
računalništvo
razumevanje potenciala.
Opredeljevanje scenarijev
Nanotehnologija
uporabe.
Digitalne tehnologije (npr. družbeni mediji, mobilne tehnologije, oblačne storitve),

ki so že nekoliko bolj zrele, se že uporabljajo v kombinaciji z drugimi digitalnimi
tehnologijami, saj so znane številne dobre prakse uporabe. Z manj zrelimi
tehnologijami (npr. kvantno računalništvo, nanotehnologije) se šele eksperimentira
in se jih zato v zelo omejenem obsegu povezuje z drugimi tehnologijami. V
nadaljevanju so podrobno predstavljene tiste prebojne tehnologije, ki so trenutno
najbolj razširjene in že obstajajo primeri dobrih praks.
3 Prebojne tehnologije
3.1 Družbeni mediji
Nov tip komunikacije preko spleta se je pojavil kmalu po prelomu tisočletja, potem
ko je Tim Berners-Lee vzpostavil prvo HTTP povezavo med odjemalcem in
strežnikom preko interneta. S prihodom tako imenovanega Spleta 2.0 so spletne
storitve začele omogočati dvosmerno komunikacijo (Dohn, 2009; Usluel &
Mazman, 2009). S širšo uporabo spletnih dnevnikov in elektronske pošte so se
oblikovale prve spletne skupnosti. Z razvojem Spleta 2.0 pa so uporabniki vse več
svojih vsakodnevnih dejavnosti preselili na splet, začel pa se je razvoj platform za
komunikacijo in generiranje vsebine med uporabniki. Te storitve so pogosto izhajale
iz pobud, povezanih z različnimi skupnostmi, npr. skupina študentov, ljubiteljev
fotografije, video navdušencev. Začele pa so se prilagajati tudi potrebam
uporabnikov. Kar se je včasih delilo le z izbranimi posamezniki in le naključno, je
postalo del širše družbe z bolj dolgotrajnim učinkom. Te platforme poznamo pod
imenom družbeni mediji in so nedvomno spremenili naravo zasebnega in javnega
komuniciranja. Od poznih devetdesetih let so ponudniki družbenih medijev, kot so
Blogger (1999), Wikipedia (2001), Myspace (2003), Facebook (2004), Flickr (2004),
YouTube (2005) in Twitter (2006), začeli ponujati različne funkcionalnosti, ki so

vključevale stare in nove načine komuniciranja preko spleta. Tako so postala sinonim
za mikrobloganje, izmenjavo video posnetkov, klepetanje, videokonference in nove
načine sodelovanja, ki so jih razvili ali pa so pri razvoju sodelovali (Van Dijck, 2013).
Z leti se je število družbenih medijev močno povečalo. Slika 2 prikazuje globalno
prizmo družbenih medijev 2017/2018. Nekateri ponudniki družbenih medijev (npr.
Facebook, YouTube) so se uspeli obdržati, drugi so izginili (npr. Flickr, Myspace).
Slika 2: Globalna prizma družbenih medijev 2017/2018

(prilagojeno po Franke and Ethority (2018))
Na družbenih medijih oz. platformah, ki so se obdržali, so bili zgrajeni milijoni

vmesnikov (API-jev) in storitev, ki so za svoj uspeh odvisni od storitev družbenih
medijev Facebook, Google, Twitter itd. Celoten ekosistem medsebojno povezanih
platform za družbene medije in aplikacije še raste in tak trend je pričakovati tudi v
naslednjih letih. Družbene medije lahko glede na njihove funkcionalnosti ločimo v
skupine. Ena izmed možnih razdelitev je prikazana na sliki 2, a je po mnenju Marolt
et al. (2016) preveč razdrobljena, saj se lahko smiselno razdelijo v šest skupin, kot
predlagata Kaplan and Haenlein (2010): skupinski projekti, blogi, vsebinske
skupnosti, družbena omrežja, mikroblogi in virtualni družbeni svetovi ter svetovi
virtualnih iger. Treba je omeniti, da med omenjenimi skupinami platform ni ostrih
meja, saj na primer Facebook spodbuja svoje uporabnike k dodajanju kreativnih
objav, ki vključujejo tudi slike in kratke videoposnetke.
Posamezniki so se z uporabo družbenih medijev najprej v skupine povezovali

predvsem z namenom komuniciranja. Sčasoma pa so potencial uporabe družbenih
medijev opazile tudi organizacije ter začele preko družbenih medijev posredovati
vsebino (ang. Storytelling) z namenom promocije in vključevanja skupnosti v
načrtovane diskusije. Organizacije pa potenciala družbenih medijev niso videle le v
trženju in upravljanju odnosov s strankami, ampak tudi kot orodja za mreženje
strokovnjakov, novačenje in zaposlovanje ter za uporabo znotraj podjetja.
Družbene medije, do katerih imajo dostop samo zaposleni znotraj organizacije,

imenujemo poslovni družbeni mediji (angl. Enterprise social media) (Leonardi,
Huysman, & Steinfield, 2013; Wehner, Ritter, & Leist, 2017). Sprva so organizacije
uporabljale enostavne družbene medije (npr. wikiji in blogi), sedaj najpogosteje
posegajo po interaktivnih in mobilnih družbenih aplikacijah, kot so Yammer, IBM
BeeHive, HP WaterCooler, Jive in Ding talk, ki ponujajo bolj napredne
funkcionalnosti (Li, Shi, Wu, & Chen, 2021). Z omenjenimi poslovnimi družbenimi
mediji želijo podjetja bolje podpreti sodelovanje, okrepiti notranjo komunikacijo
(Huang, Baptista, & Newell, 2015) in izboljšati upravljanje znanja (Benitez, Castillo,
Llorens, & Braojos, 2018). Dober primer v praksi, ki uspešno izkorišča poslovni
družbeni medij Yammer, je prav gotovo podjetje Deloitte. Podjetje je bilo
ustanovljeno leta 1845 v Londonu in je vodilni globalni ponudnik storitev revizije,
davčnega, poslovnega in finančnega svetovanja in sorodnih storitev. Trenutno
zaposluje približno 330 000 ljudi in je prisotno v več kot 150 državah (Deloitte,
2021). S poskusno uporabo poslovnega družabnega omrežja Yammer so začeli v
Deloitte Avstralija, ki je imela leta 2008 12 podružnic (Riemer, Scifleet, & Reddig,
2012). Uporabljati so ga začeli avgusta 2008, in sicer na način »od spodaj navzgor«,
kar je značilno pri družbenih medijih. Do leta 2009 ga je uporabljala le majhna
skupina strokovnjakov, ko pa je vodstvo podjetja videlo njegov potencial, se je baza
uporabnikov začela hitro večati. Analiza leta 2011 je pokazala, da jim Yammer služi
predvsem za deljenje informacij, zbiranje idej, reševanje težav in iskanje
strokovnjakov ter vzpostavljanje odnosov. Danes je Yammer v podjetju Deloitte
pomembno orodje, ki ga uporabljajo v kombinaciji z Microsoft Office 365. Razvito
imajo prilagodljivo infrastrukturo v oblaku, ki jim omogoča upravljanje s podatki in
podpira forenzične in analitične storitve. Ustrezno zbiranje in stiskanje Yammer
podatkov z drugimi podatki zagotavljajo s pomočjo lastno razvitih vmesnikov
(Deloitte, 2017).
Več družbenih medijev pa je odprtega tipa, kar pomeni, da so na voljo vsem. Trendi
na družbenih omrežjih se hitro spreminjajo, zato morajo organizacije, ki ustvarijo
javni profil na družbenih medijih, skrbeti, da jim sledijo. Na področju novačenja in
zaposlovanja ter mreženja strokovnjakov se trendi ne spreminjajo tako hitro kot na
področju trženja in upravljanja odnosov s strankami. Med drugim morajo
organizacije, ki se želijo tržiti in upravljati odnose s strankami, na družbenih medijih
najprej poskrbeti za ustrezno strategijo, ki je temelj vseh njihovih aktivnosti na
družbenih medijih (Greenberg, 2008). Razmisliti morajo, kateri so tisti družbeni
mediji, ki jih uporabljajo njihove stranke oz. potencialne stranke, in skladno s temi
ugotovitvami ustvariti profile na izbranih družbenih medijih. Morajo pa zagotoviti,
da so aktivni na vseh ustvarjenih profilih. To pomeni, da se morajo posluževati
kreativnih načinov ustvarjanja vsebine in vključevati sledilce v pogovor, na nevsiljiv
način pripovedovati svojo zgodbo in vključevati vplivneže, ki bodo pripomogli k
širši prepoznavnosti blagovnih znamk (Marolt, Zimmermann, Žnidaršič, & Pucihar,
2020). Ne smejo pa pozabiti, da pri teh aktivnostih nastajajo podatki, ki z ustrezno
analizo podajajo informacije o tem, kako uspešno se izvajajo aktivnosti na družbenih
medijih (Chierici, Mazzucchelli, Garcia-Perez, & Vrontis, 2019). Dobre prakse na
področju trženja je mogoče najti pri podjetjih, kot so Amazon, Best Buy in Walmart
(Vithayathil, Dadgar, & Osiri, 2020), na področju upravljanja odnosov s strankami
pa pri podjetjih, kot sta Starbucks in Dell.
Starbucks je eno izmed prvih podjetij, ki je začelo agresivno uporabljati družbene

medije pri upravljanju odnosov s strankami. Ustanovljeno je bilo leta 1971 z
namenom ponujanja kave najvišje kakovost. Konec junija 2019 so imeli zaposlenih
preko 300.000 ljudi in so bili prisotni v 80 državah (Starbucks, 2021). Družbene
medije imajo že od samega začetka vključene v strategijo podjetja. Številni so menja,
da se zelo dobro tržijo, znajo povezati širšo družbo s svojo znamko in so družbeno
odgovorni. So pa tudi tarča številnih kritik, saj nekateri vidijo podjetje kot simbol
potrošništva. Za zbiranje idej strank so vzpostavili spletno skupnost My Starbucks
Idea in vzpostavili Starbucks Digital Netowrk, kar je omogočalo strankam v njihovi
trgovini, da so med pitjem kave lahko preko njihovega omrežja dostopali do različnih
vsebin (knjige, filmi, časopisi) brezplačno. Nekatere storitve vzdržujejo sami (npr.
My Starbucks Idea), večinoma pa se poslužujejo storitev drugih ponudnikov (npr.
Facebook, Twitter in YouTube) (Ransbotham & Gallaugher, 2010).
3.2. Mobilna tehnologija (5G)
Mobilna tehnologija je ena temeljnih prebojnih tehnologij, saj je uspela v zadnjih 30

letih temeljito spremeniti način komuniciranja med ljudmi in tudi omogočiti dostop
do informacij kadarkoli, kjerkoli in s kakršnokoli mobilno napravo. Mobilna
tehnologija je prav gotovo ena najbolj razširjenih tehnologij, saj jo uporablja več kot
50 % svetovnega prebivalstva (Statista, 2021). Razvoj mobilne tehnologije je
prikazan na sliki 3. 1. generacija mobilne tehnologije (1G), ki je omogočala analogno
glasovno komunikacijo med osebami, se je začela komercialno uporabljati konec
osemdesetih let prejšnjega stoletja, 2. generacija mobilne tehnologije (2G), ki je v
devetdesetih letih prejšnjega stoletja nasledila 1G, je omogočala že lažje in cenovno
dostopne mobilne terminale ter mobilne storitve, ki so omogočale večjo avtonomijo
in so poleg glasovne komunikacije omogočale tudi prenos tekstovnih sporočil in
mobilnih spletnih strani preko digitalne povezave. V tem obdobju je prišlo do
skokovite hitre razširitve uporabe mobilne tehnologije v družbi. 3. generacija
mobilnih tehnologije, ki je bila razvita od leta 2000 dalje, je omogočila internetni
dostop elektronske pošte, spletnih strani in videokonferenčne povezave preko
UMTS komunikacij. Hitrost prenosa podatkov in nabor mobilnih aplikacij sta bila
še precej omejena, kar pa je po letu 2010 izboljšala 4. generacija mobilnih tehnologij,
ki je prinesla pametne telefone, mobilne aplikacije, hitro in stalno internetno
podatkovno komunikacijo, visokoresolucijske fotografije, video vsebine ter
opremljenost pametnega telefona s senzorji, kot so GPS, pospeškomer, žiroskop,
termometer, svetlobometer ter številne druge senzorje, ki omogočajo uporabo

mobilnih telefonov na zelo različnih področjih.
Z veliko razširitvijo uporabe mobilne tehnologije 4G so se pokazale tudi nekatere

omejitve, ki so omejevale nadaljnji razvoj mobilne tehnologije (Saghezchi idr., 2015):
− hitro naraščajoč podatkovni promet v mobilnih omrežjih in omejena hitrost

prenosa podatkov,
− prenasičenost obstoječih brezžičnih omrežij,
− skokovita rast števila naprav, povezanih v mobilno omrežje,
− zakasnitev v omrežju,
− omejenost obstoječih frekvenc za radijske povezave v mobilnem omrežju.
1980 1990 2000 2010 2020
Analog Digitalne povezave
Glasovni Internet Pametni Pametna

SMS
klici e-pošta telefon družba
1G 2G 3G 4G 5G
Slika 3: Generacije mobilne tehnologije 1G–5G

(prirejeno po (Wang & Gao, 2020))
4G mobilna tehnologija je bila namenjena predvsem končnim uporabnikom,

medtem ko je bila za industrijsko uporabo tehnično preveč omejena. Vsi ti razlogi
so pripeljali do razvoja 5. generacije mobilne tehnologije (5G), ki se je začela razvijati
po letu 2009 (Wang & Gao, 2020) in se začenja uvajati v komercialno uporabo leta
2020 z objavo uradnih 5G standardov s strani International Mobile

Telecommunications – IMT leta 2020 (Wang & Gao, 2020).
Urad za radiokomunikacijske zveze lTU (ITU-BR) v svojih IMT 2020 priporočilih

opredeli tri glavne usmeritve za 5G mobilno tehnologijo:
− izboljšava širokopasovnih mobilnih komunikacij: povečanje zmogljivosti

širokopasovne povezave na 1 Gbps za prenos videa visoke ločljivosti 4K/8K,
navidezna in izboljšana resničnost (VR/AR),
− visoko zanesljive komunikacijske povezave z nizko zakasnitvijo: zmanjšanje
zakasnitve pri prenosu podatkov skozi mobilno omrežje na 1 ms in povečanje
zanesljivosti mobilnih povezav na 99,999 % za aplikacije na področju medicine,
upravljanja industrijskih procesov in v avtonomnih vozilih ter brezpilotnih
zrakoplovih,
− masovna komunikacija med napravami, senzorji in stvarmi: vzpostavitev
mobilnega omrežja za komunikacijo med velikim številom naprav, senzorjev in
stvari v delovnih procesih, ki omogočajo integracijo celotnih industrijskih
dejavnosti, pametnih mest, pametnega doma, poljedelstva in naravovarstva.
Omrežje omogoča vključevanja velikega števila naprav, ki prenašajo majhno
količino podatkov ob minimalnih stroških in porabi energije.
Glede na zgoraj navedene IMT-2020 usmeritve bo 5G mobilna tehnologija

omogočila nove primere uporabe (slika 4), ki bodo temeljili na tehnologiji 3D MIMO
anten baznih postaj za mobilno omrežje. 3D MIMO antene baznih postaj bo
omogočila bolj učinkovito in propustno komunikacijo z mobilnimi terminali,
napravami ter senzorji (Saghezchi idr., 2015), in sicer:
− pametna omrežja, pametna mesta, pametne tovarne, pametni dom,

− širokopasovni dostop do storitev računalniškega oblaka,
− razbremenitev omrežij WiFi,
− visoko gostoto malih celic baznih postaj,
− komunikacijo med vozili in infrastrukturo v prometu,
− neposredno komunikacijo med mobilnimi napravami,
− komunikacijo med industrijski stroji in napravami,
− povezovanje interneta stvari,
− aplikacije za izboljšanje javne varnosti,

− izboljšanje zanesljivosti in povezljivost mobilnega omrežja z uporabo večje
gostote relejnih postaj.
Začetek uvajanja 5G mobilne tehnologij se je začelo v letu 2020. 5G mobilna

tehnologija ne bo takoj v celoti nadomestila 4G mobilne tehnologije, temveč jo bo
postopoma nadgrajevala in tako omogočala nove rešitve, ki z obstoječimi mobilnimi
tehnologijami niso bodisi možne ali dovolj učinkovite.
Računalniški
oblak
Smart grid
Razbremenitev 3D MIMO
WiFi mm radijska komunikacija
Visoka
gostota
celic
Pametne
Javna naprave
varnost
mm radijska komunikacija
V2V
Ponavljalnik
MTC D2D
IoT
Slika 4: Primer arhitekture 5G mobilne tehnologije

(prirejeno po (Saghezchi idr., 2015))
3.3. Masovni podatki in analitika
Podatkovni analitiki se danes posveča veliko pozornosti, saj igra vse večjo vlogo v
podjetjih različnih velikosti (Hindle, Kunc, Mortensen, Oztekin, & Vidgen, 2020).
Čeprav podatkovna analitika izhaja iz statistike in ima dolgo zgodovino, se je njena
uporabnost izkazala šele z razvojem računalništva. Podatki so se začeli zbirati v
podatkovnih bazah, procesorska moč računalnikov je omogočala hitrejšo obdelavo
in analizo podatkov. Z razvojem novih tehnologij, predvsem internetnih storitev, sta

se obseg in hitrost pridobivanja podatkov le še povečevala. Velike količine različnih
tipov podatkov, pridobljenih iz različnih virov, so vplivale na razvoj podatkovnih
skladišč, ki so namenjena zbiranju informacij iz operativnih sistemov v podjetju in
podatkov iz zunanjih virov za analitične namene (Power, 2007). Z razvojem
podatkovnih baz in skladišč ter drugih orodij za izkoriščanje podatkov in boljše
odločanje sta se pojavila pojma masovni podatki (angl. Big data) in poslovna analitika
(angl. Business analytics). Trenutno ne obstaja neka enotna opredelitev teh dveh
pojmov, sta pa pojma med seboj povezana. Spoznanja iz podatkov lahko pridobimo
le, če podatke ustrezno zajamemo in pripravimo za analizo, nato pa uporabimo
različne tehnike, s pomočjo katerih te podatke analiziramo (Labrinidis & Jagadish,
2012).
Pojem masovni podatki lahko opredelimo kot velike količine različnih tipov
podatkov, ki se ustvarjajo z veliko hitrostjo in so pridobljeni iz različnih virov in
mest, kar pomeni, da je potrebno preverjati tudi njihovo resničnost in kakovost.
Podatki nastajajo v podjetjih, izven podjetij, na voljo pa so tudi odprti podatki. Pri
nastajanju podatkov veliko vlogo igrajo generatorji podatkov, ki jih lahko v grobem
ločimo na internet stvari, družbene medije in vseprisotno računalništvo (Vidgen,
Kirshner, & Tan, 2019). Ti podatki nimajo uporabne vrednosti, če se jih ustrezno ne
zajame, pripravi, obdela in uporabi za podporo odločanju (Gandomi & Haider,
2015). Običajno podjetjem prav zajem in priprava podatkov predstavljata največ
težav. Pri zajemu podatkov morajo podjetja poskrbeti, da zberejo le relevantne
podatke o strankah, ocenah njihovih produktov oziroma storitev, različnih senzorjev
in informacijskih sistemov, ki jih uporabljajo pri svojem poslovanju (Rehman,
Chang, Batool, & Wah, 2016). Zaradi velike količine podatkov se podjetja vedno
pogosteje poslužujejo oblačnih podatkovnih centrov, kjer te podatke shranjujejo.
Sledi najpomembnejša faza analize – priprava podatkov. V tej fazi se s
predprocesiranjem in integracijo podatkov zagotovi kvaliteta podatkov. Pri tem se
uporabljajo različne metode, s katerimi se zmanjša šum v podatkih in odstrani
nepomembne podatke (Salmon, Harmany, Deledalle, & Willett, 2014), zazna
odstopanja (nezaželene atribute/vrednosti) (Aggarwal, 2015), odstrani nepravilnosti
(Moshtaghi, Bezdek, Leckie, Karunasekera, & Palaniswami, 2015), združi
podatkovne toke iz različnih virov podatkov (Yaqoob idr., 2016), pretvori surove,
nestrukturirane in delno strukturirane podatke v strukturirano obliko, zmanjša
dimenzije podatkov (Zhai, Ong, & Tsang, 2014) in odpravi manjkajoče vrednosti
(Singh, Javeed, Chhabra, & Kumar, 2015).
Pripravljene podatke se lahko uporabi za različne analitike, s pomočjo katerih lahko

podjetja pridobivajo nova spoznanja, oblikujejo napovedi in pripravijo različna
priporočila. Poznamo opisno, diagnostično, napovedno, preskriptivno in kognitivno
analitiko (Delen, 2019; Menezes, Kelly, Leal, & Le Roux, 2019). Opisna in
diagnostična analitika spadata med tradicionalne analitike. Opisna analitika je prva in
najpreprostejša oblika analitike, ki omogoča vpogled v preteklost in uporablja
preproste statistične metode, kot so povprečje, mediana, standardni odklon, varianca
in frekvenca. Diagnostična analitika temelji na opisni analitiki in podaja odgovore na
vprašanja, zakaj se je nekaj zgodilo. Pri tem se uporabljajo druge tehnike, kot so na
primer vrtanje v globino in korelacije. Napovedna, preskriptivna in kognitivna pa so
bolj napredne analitike, ki uporabljajo novejše tehnike, orodja in modele. Napovedna
analitika omogoča razumevanje prihodnosti. Pri tem se uporabljajo nadzorovani,
nenadzorovani in delno nadzorovani modeli strojnega učenja. Preskriptivna analitika
temelji na napovednih analitičnih modelih, tako da ugotavlja tudi, zakaj se bo nekaj
zgodilo, kar omogoča pripravo različnih ukrepov za boljšo realizacijo napovedi. Ta
analitika je manj zrela in se je zato v podjetju zaenkrat ne uporablja na dnevni ravni,
pač pa pri bolj kompleksnih odločitvah, na primer pri optimizaciji proizvodnje,
načrtovanju zalog in optimizaciji uporabniških izkušenj. Kognitivna analitika
izkorišča visokozmogljivo računalništvo, in sicer v kombinaciji z naprednimi
tehnikami umetne inteligence in strojnega učenja. Tako imenovana kognitivna
računalniška tehnologija se skozi interakcijo s podatki in ljudmi uči in postaja
pametnejša ter tako pomaga podjetjem pri sprejemanju pametnejših odločitev (Intel,
2017).
Razvoj in zrelost analitike sta torej skladna z razvojem informacijske tehnologije,

kvantitativnih metod ter tehnik odločanja. Zato lahko gledamo na poslovno analitiko
kot na presečišče šestih disciplin: elektrotehnike (tehnologije), matematike
(kvalitativne metode), psihologije (odločanje), strojnega učenja, informacijskih
sistemov in operacijskih raziskav (Mortenson, Doherty, & Robinson, 2015).
Taksonomija disciplin, povezanih z analitiko, je prikazana na sliki 5. Če želi podjetje
sprejemati dobre poslovne odločitve na podlagi podatkov, mora razpolagati z znanji
in drugimi viri iz omenjenih disciplin.
Sprejemanje
Tehnologije
Elektrotehnika
Informacijski odločitev
sistemi Psihologija
Računalništvo
Vedenjska znanost
Analitika
Umetna inteligenca Operacijske

(strojno učenje) raziskave
Kvantitativne
metode
Matematika
Statistika
Ekonomija
Slika 5: Taksonomija disciplin, povezanih z analitiko

(prilagojeno po (Mortenson idr., 2015))
Veliko podjetij ima dobre izkušnje z opisno in diagnostično analitiko, zato se vedno
pogosteje poslužujejo bolj napredne analitike. Rockwell Automation je eno izmed
številnih podjetij, ki uspešno uporablja analitiko pri svojem poslovanju. Podjetje je
eno največjih svetovnih podjetij za industrijsko avtomatizacijo. Na trgu je že več kot
115 let, zaposluje preko 22.000 ljudi in je prisotno v več kot 80 državah. Leta 2014
je podjetje ustanovilo center za poslovno inteligenco odličnosti. Sprva so bili
osredotočeni na pripravo raznovrstnih poročil, vendar so še istega leta začeli
eksperimentirati z bolj napredno analitiko. Za to so bili potrebni veliki vložki, tako
v tehnologijo kot tudi v znanje zaposlenih. Leta 2019 je podjetje zaposlilo dva
strokovnjaka za upravljanje in arhitekturo podatkov, ki sta s svojim znanjem
pripomogla, da so v podjetju vzpostavili okolje, ki omogoča projektnim skupinam
in tudi posameznikom, da si lahko pripravijo svoja lastna poročila in analize. To je
močno vplivalo na poslovanje celotnega podjetja. Optimizirali so številne procese,
znižali stroške poslovanja, predvsem na račun velikih prihrankov pri vzdrževanju
industrijske avtomatizacije, ki jo uporabljajo stranke po celem svetu. Poleg tega s
svojimi inovativnimi rešitvami hitreje in učinkoviteje zadovoljujejo potrebe svojih
strank (Microsoft, 2020).
Podatki in umetna inteligenca so se izkazali kot zelo pomembni spodbujevalci

vpeljave trajnostnih načel poslovanja v različnih industrijah. Z namenom drastičnega
zmanjšanja negativnega vpliva na okolje podjetja spreminjajo načine proizvajanja,
prodaje, logistike in porabe. Poleg naftne in plinske industrije je modna industrija
ena največjih onesnaževalcev okolja. Za proizvodnjo enega kosa oblačila se porabi
na tisoče litrov vode, potrebno pa je več kot 200 let, da se ta kos oblačila biološko
razgradi. Zaskrbljujoč je podatek, da se modne smernice hitro spreminjajo in je zato
večina oblačil v nekaj tednih iz mode. Poleg tega veliko izdelkov ostane kljub
popustom neprodanih. Za zmanjšanje neprodanih izdelkov se modna industrija
vedno pogosteje loteva oblikovanja in izdelave izdelkov na podlagi povpraševanja
na trgu. V ponudbo se vključujejo izdelki, za katere je napovedna analitika pokazala,
da se bodo najbolj prodajali, določa se celo kombinacija izdelkov, ki se bo ponujala
v posamezni trgovini. S tem se je izboljšala tudi učinkovitost oskrbovalne verige, saj
imajo oblikovalci, proizvajalci in prodajalci sedaj na voljo informacije o verjetnosti
uspeha posameznega izdelka, potrebne količine itd.
Problem onesnaževanja je prisoten tudi pri prodaji blaga končnim kupcem. Vedno
več nakupov se opravi preko spleta, in ker tak način ne omogoča pomerjanja pred
nakupom, se kupljeno blago velikokrat vrača nazaj trgovcu, kar vpliva na nastajanje
dodatnih emisij CO2. Trgovci si delež vrnjenega blaga lahko znižajo z uporabo
umetne inteligence, ki omogoča, da stranka kupi izdelke, ki ustrezajo njihovim
fizičnim dimenzijam in slogu. To je samo nekaj primerov, kako je umetna inteligenca
vplivala na trajnostni razvoj modne industrije (IBM, 2020).
3.4. Računalništvo v oblaku
Računalništvo v oblaku omogoča podjetjem in organizacijam, da dostopajo do

podatkov, aplikacij in storitev informacijske tehnologije (IT), ki jih ponujajo
ponudniki storitev računalniškega oblaka preko hitrih internetnih povezav
(Maheshwari, 2019). Ta način zagotavljanja IT storitev omogoča podjetjem, da hitro
vzpostavijo strežnike, aplikacije, shranjevanje podatkov, ki jih najamejo pri
ponudnikih storitev računalniškega oblaka. Podjetja se izognejo dragim investicijam
v nabavo lastne IT infrastrukture tako, da najamejo IT storitve pri ponudnikih
storitev računalniškega oblaka v obsegu neposredno takrat in za čas, ko jih
potrebujejo. Podjetja z uporabo računalniškega oblaka skrajšajo čas zagotovitve
ustrezne IT infrastrukture, zmanjšajo investicije v osnovna sredstva in optimirajo

operativne stroške IT storitev. Slika 6 prikazuje prednosti računalništva v oblaku.
Storitev
Elastičnost
Virtualizacija
Skalabilnost
Plačilo glede na porabo
Dostopno preko omrežja
Slika 6: Prednosti računalništva v oblaku

(prirejeno po (Maheshwari, 2019))
Računalništvo v oblaku prinaša podjetju naslednje prednosti (Maheshwari, 2019):
− boljše planiranje izrabe IT infrastrukture – orodja za upravljanje računalniškega

oblaka omogočajo kratkoročne in dolgoročne analize izrabe IT infrastrukture;
na ta način podjetje vidi, ali ima premalo ali preveč najetih IT storitev, ki jih
lahko hitro prilagodi dejanski uporabi le-teh;
− večja skalabilnost – podjetja lahko zelo hitro povečajo kapacitete IT
infrastrukture tako, da dodajo v virtualizirane strežnike spomin, diskovne
kapacitete, virtualizirane procesne note in mrežne povezave;
− hitrejši uvedba ustrezne IT infrastrukture – klasična nabava in vzpostavitev
lastne IT infrastrukture običajno poteka v obliki projekta, ki traja od 3 do 6
mesecev, najem storitev računalniškega oblaka je bistveno krajši in je lahko
realiziran v nekaj urah (standardizirani sistemi) ali nekaj dneh, če gre za
specializirane rešitve;
− podjetja z najemom storitev v računalniškem oblaku nadomestijo pomanjkanje
lastnega IT osebja, saj lahko z avtomatiziranimi orodji za upravljanje storitev
računalniškega oblaka povečajo učinkovitost IT osebja. Nadomestijo lahko
posamezne IT eksperte, kot so na primer varnostni strokovnjaki, sistemski

administratorji ali razvijalci programskih rešitev, z najemom ustreznih storitev
računalniškega oblaka;
− prenos IT infrastrukture v računalniški oblak omogoča podjetjem, da se
osredotočijo na razvoj inovativnih programskih rešitev, s tem se zmanjša
obremenitev IT osebja s tekočim vzdrževanjem IT infrastrukture, ki jo v
računalniškem oblaku upravlja ponudnik storitev računalniškega oblaka;
− računalniški oblak omogoča združevanje razpršenih lokacij za vzpostavljanje IT
storitev, saj zagotavlja centraliziran model zagotavljanja enotnih IT storitev
geografsko ločenim lokacijam preko hitrih mrežnih povezav.
Ključne značilnosti računalništva v oblaku so (Maheshwari, 2019):
− avtomatizirano upravljanje virtualizirane računalniške strojne opreme, ki je

dostopna preko hitrih mrežnih povezav v obliki samopostrežnih aplikacij;
− obračunavanje le dejansko porabljene IT infrastrukture, kar omogoča, da so
storitve računalniškega oblaka ekonomsko dostopne tudi malim in srednje
velikim podjetjem;
− elastičnost najete IT infrastrukture pomeni, da podjetje lahko najema IT
infrastrukturo računalniškega oblaka skladno s svojimi dejanskimi potrebami, ki
jih lahko spreminja tudi tekom dneva;
− skalabilnost pomeni, da lahko podjetje zelo hitro poveča kapacitete najete IT
infrastrukture v računalniškem oblaku, na primer za testiranje nove programske
opreme ali za zagotovitev rezervnega podatkovnega centra v primeru izpada
delovanje lastnega IT podatkovnega centra;
− podjejta v računalniškem oblaku uporabljajo skupno virtualizirane IT
infrastrukture ponudnika storitev in na ta način dosežejo boljšo izkoriščenost
same IT infrastrukture, hkrati pa si delijo stroške delovanja oziroma najema le-
te;
− storitve računalniškega oblaka so visoko zanesljive in razpoložljive 24 ur x 7 dni
v tednu, večina ponudnikov storitev računalniškega oblaka zagotavlja 99,9-%
razpoložljivost svojih IT storitev v vseh časovnih in globalnih conah;
− stroški uporabe računalništva v oblaku se obračunavajo glede na dejansko
uporabo, saj je omogočeno hitro povečanje ali zmanjšanje kapacitet in virov, ki
jih zagotavlja računalniški oblak;
− vse storitve računalniškega oblaka so varovane z redundantnimi kopijami

podatkov, aplikacijami in s celotno konfiguracijo računalniškega oblaka, zato so
podatki ustrezno zavarovani.
Računalniški oblak se lahko vzpostavi na tri načine glede lastništva IT infrastrukture

(Maheshwari, 2019):
− javni računalniški oblak vzpostavi ponudnik storitev računalniškega oblaka in ga

naredi dostopnega preko javno dostopnega omrežja (npr. internet). Značilnost
javnih računalniških oblakov je, da so zgrajeni v velikih podatkovnih centrih,
kjer je nameščeno veliko število strežnikov in mrežnih naprav, ki tvorijo skupno
IT infrastrukturo, ki si jo delijo uporabniki storitev javnega računalniškega
oblaka. Najbolj znani ponudniki javnega računalniškega oblaka so Amazon
Elastic Cloud Compute, Microsoft Azure, Google Compute Engine;
− zasebni računalniški oblak se vzpostavi v notranjem, zasebnem omrežju podjetja
ali pa pri ponudnikih oblačnih storitev za ekskluzivno uporabo s strani
posameznega podjetja. Zasebni računalniški oblak je zaščiten s požarnim zidom
in kot tak zagotavlja višji nivo varnosti in zaščite podatkov. Zasebni računalniški
oblak vzpostavijo podjetja ali organizacije, ki želijo ohraniti večjo stopnjo
neodvisnosti od ponudnika storitev računalniškega oblaka, potrebujejo posebne
tehnične prilagoditve računalniškega oblaka ali pa imajo zakonsko obveznost
upravljanja podatkov v lastni IT infrastrukturi (npr. državne inštitucije);
− hibridni računalniški oblak je kombinacija zasebnega in javnega računalniškega
oblaka, v katerem podjetje glede na svoje potrebe določi, katere dela
računalniškega oblaka ali storitev bo vzpostavilo na lastni IT infrastrukturi in
katere dele v javnem računalniškem oblaku.
Storitve računalniškega oblaka se razdelijo glede upravljanja posameznih gradnikov

računalniškega oblaka, kot so strežniki, spomin, omrežje, varnost, operacijski sistem,
baza podatkov in programskih rešitev s strani ponudnika računalniškega oblaka
(RO). Na sliki 6 je prikazana odgovornost za upravljanje posameznih gradnikov
računalniškega oblaka glede na vrsto storitev le-tega.
Slika 6: Vrste računalniškega oblaka
IaaS - Infrastructure as a Service - Infrastruktura kot storitev računalniškega oblaka

omogoča gostovanje strežnikov in navideznih računalnikov, upravljanje spomina,
vzpostavljanje mrežnih povezav na IT infrastrukturi ponudnika računalniškega
oblaka. Pri tej obliki storitev računalniškega oblaka uporabniki plačajo le uporabljen
delež IT infrastrukture.
SaaS – Software as a Service - Programska rešitev kot storitev omogoča uporabo

programskih rešitev ponudnika storitev računalniškega oblaka preko spletnega
brskalnika in internetne povezave. Ponudnik oblačnih programskih rešitev kot
storitev razvije programsko rešitev, jo namesti v računalniški oblak, kjer jo lahko
najamejo podjetja in organizacije za uporabo in pri tem pa se plačuje samo mesečna
najemnina za uporabo. Ta način omogoča organizacijam in podjetjem prihranke pri
vzpostavljanju in vzdrževanju lastne IT infrastrukture, nadomešča pomanjkanja IT
osebja in tudi zmanjšuje stroške za IT osebje. Najbolj znane tovrstne storitve
računalniškega oblaka so GMail, Dropbox, Salesforce in drugi.
PaaS - Platform as a Service - Patforma kot storitev je storitev računalniškega oblaka,

pri kateri ponudnik zagotovi poleg samega gostovanja IT infrastrukture tudi
razvojna orodja za razvoj specializiranih programskih rešitev glede na potrebe
podjetij. Ta razvojna orodja vključujejo spletne strežnike, baze podatkov, razvojna
okolja za različne programske jezike. Podjetja si na ta način lahko hitreje razvijejo
oblačne programske rešitve po meri, saj ponudnik zagotavlja celoten ekosistem

orodij, ki so potrebna za vzpostavitev tovrstnih rešitev.
3.5. Internet stvari
Razvoj računalniških sistemov in omrežij je tako v poslovnem kot tudi v domačem

okolju omogočil razvoj novih naprav in senzorjev, ki so vedno povezani v omrežje
in lahko preko omrežja posredujejo podatke, ki jih zaznavajo okolju.
Internet stvari je ekosistem fizičnih naprav in stvari, ki vsebujejo senzorje,

programske rešitve, elektroniko in mrežne povezave, ki omogočajo medsebojno
komunikacijo ter komunikacijo z računalniškim oblakom, kamor se shranjujejo
podatki za analizo, s katero se lahko odkriva nove značilnosti delovanja fizičnega
sveta (Maheshwari, 2019). Te odkrite značilnosti lahko potem podjetja in
organizacije izrabijo za inoviranje izdelkov in storitev ter tako povečujejo dodano
vrednost za svoje kupce in uporabnike.
Internet stvari pokriva široko področje uporabe v vsakdanjem življenju, zato ni ene
same opredelitve tega pojma, temveč lahko opredelimo internet stvari kot (Serpanos
& Wolf, 2017):
− naprave z internetno povezavo, čeprav veliko tovrstnih naprav ne uporablja

internetnega protokola (IP) za komunikacijo, temveč uporabljajo druge
specializirane brezžične protokole za komunikacijo,
− realno časovno programirljiva omrežja senzorjev,
− dinamična prilagodljiva omrežja naprav in stvari z vgrajenimi računalniškim
sistemi.
Internet stvari se lahko učinkovito aplicira na različna področja (Serpanos & Wolf,
2017):
− industrijski internet stvari uporablja senzorje za nadzor industrijskih procesov,

kakovosti izdelkov, stanje strojev za povečanje učinkovitosti s hitrejšim
obveščanjem o dogodkih v sistemu, kar omogoča hitrejše in s tem tudi bolj
učinkovito odločanje;
− pametne zgradbe uporabljajo senzorje za identifikacijo lokacije ljudi in tudi za

identifikacijo stanja same zgradbe, kot so temperatura, vlažnost ipd. Ti podatki
se uporabljajo za bolj učinkovito ogrevanje, prilagojeno trenutni uporabi stavbe;
− pametna mesta uporabljajo senzorje za upravljanje prometa in nadzorne kamere
za zagotavljanje javne varnosti v mestu. Boljše upravljanje prometa znižuje
izpuste v okolje in s tem izboljšuje bivanjske pogoje za prebivalce mesta;
− pametna/avtonomna vozila uporabljajo senzorje za ugotavljanje pozicije
avtomobila v prostoru, stanje motorja, hitrosti, porabe goriva in tudi navigacije
iz točke A v točko B;
− internet medicinskih stvari uporablja veliko različnih senzorjev za merjenje
fiziološkega stanja pacientov in posredovanje podatkov o kritičnih stanjih
dežurnemu ali osebnemu zdravniku.
Sestavine arhitekture sistema interneta stvari so prikazane na sliki 7:
− fizično okolje, v katerim delujejo naprave in ga zaznavajo senzorji. Fizično
okolje so lahko mesto, cesta, zgradba, tovarna, stroj, dom, stanovanje in tudi
človeško telo (roka za pametno uro);
− naprave lahko vsebujejo senzorje, aktuatorje, procesorje, krmilnike in spomin.
Naprave imajo mrežno povezavo z IoT vozliščem, ki lahko poteka tudi preko
IP protokola, ni pa obvezno;
− IoT vozlišča povezujejo naprave z omrežjem in ostalim delom IoT sistema;
− lokalni procesorji zbranih IoT podatkov procesirajo zbrane podatke na samem
mestu zajema ali blizu le-tega. Lokalne procesorje podatkov se potrebuje za
zmanjšanje zakasnitve v IoT sistemu;
− strežniki v računalniškem oblaku zagotavljajo obdelavo in shranjevanje zbranih
podatkov v bazah podatkov. Računalniški oblak zagotavlja storitve za
uporabnike pri analizi zbranih podatkov in tudi vmesnike za povezavo
uporabnikov z IoT vozlišči.
Lokalni procesor
IoT podatkov
Računalniški oblak
Baza
podatkov
Naprava/senzor
IoT vozlišče
IoT vozlišče
Naprava/senzor
Naprava/senzor
Fizično okolje
Naprava/senzor Naprava/senzor Naprava/senzor
Fizično okolje
Fizično okolje
Slika 7: Arhitektura IoT sistema

(prilagojeno po (Serpanos & Wolf, 2017))
Internet stvari lahko opišemo tudi skozi tipične primere uporabe:
− omrežje senzorjev – sistem zbira podatke s senzorjev in jih shranjuje v bazo

masovnih podatkov;
− alarmni sistem – sistem zbira podatke in jih analizira glede kritičnih vrednosti.
Če pride do kritičnih vrednosti, sistem javi alarm, tako da se lahko pravočasno
ukrepa;
− analitični sistem – sistem neprekinjeno zbira podatke in jih analizira ter oblikuje
poročila o zbranih podatkih;
− regulacijski sistem – sistem preko senzorjev zbira in analizira podatke v realnem
času in se na podlagi zbranih podatkov fizično odziva preko aktuatorjev;
− kontrolni sistem – sistem uporablja kontrolni algoritem za pregledovanje
podatkov po posameznih senzorjih z namenom upravljanja procesov.
3.6. Robotika, droni in avtonomna vozila
Zelo pomemben dejavnik so industrijski roboti , ki vplivajo na produktivnost v

industriji. Današnji industrijski roboti so zmožni opravljanja veliko različnih nalog
in delovnih operacij, so natančni in ne potrebujejo splošnih varnostnih zahtev, ki jih
sicer potrebujejo ljudje v delovnih procesih (Dellot & Wallace-Stephens, 2017).
Razvoj robotov poteka vzporedno z razvojem računalniške tehnologije in v zadnjem

času se z napredkom metod in tehnik umetne inteligence povečuje splošna
uporabnost robotov, ki imajo zmožnost opravljanja vedno večjega števila delovnih
nalog v delovnih procesih, ki so jih do sedaj vedno opravljali samo ljudje. Tako lahko
danes roboti opravljajo naloge ne samo na področju fizične manipulacije predmetov
dela, temveč lahko rešujejo zapletene naloge, za katere je potrebno obdelati veliko
količino podatkov. Managerji v podjetjih ugotavljajo, da bodo lahko v prihodnosti
avtomatizirali z roboti okoli 15 % delovnih nalog v svoji organizaciji (Dellot &
Wallace-Stephens, 2017).
Robote lahko razdelimo v 5 osnovnih vrst (Dellot & Wallace-Stephens, 2017):
− delovni roboti so stacionarni roboti, ki imajo delovno roko z vsaj tremi osmi
gibanja. Tovrstne robote se najpogosteje uporablja v industriji in medicini;
− robotizirani pripomočki so roboti, ki jih ljudje nosijo ali imajo oblečene in jim
povečajo moč (protetika) ali gibljivost, kot npr. eksoskelet;
− humanoidni roboti imajo človeški izgled in oponašajo obnašanje človeka.
Uporabljajo se pri oskrbi ljudi, strežbi strankam in podobno;
− mobilni roboti se lahko premikajo in prevažajo tovor ali ljudi iz točke A v točko
B. Iz teh robotov so se nadalje razvili droni in avtonomna vozila;
− serpentinski roboti so specializirani za gibanje po okolju, ki je nedostopno za
ljudi, lahko gredo v cevi ali druge nedostopne ali nevarne prostore za ljudi, kot
so na primer dimniki in inštalacije.
S samim razvojem informacijske tehnologije roboti postajajo vedno bolj zmogljivi

in hkrati tudi bolj dostopni za večja podjetja, da jih uvajajo v svoje delovne procese.
Po drugi strani so napredni roboti za manjša in srednje velika podjetja še vedno
predragi v primerjavi s človeško delovno silo. Ena od razvojnih usmeritev, ki kaže,
da bodo bolj dostopni za ljudi, je razvoj mobilnih robotov v obliki dronov in
avtonomnih vozil.
Droni so leteči roboti z vgrajenimi senzorji, s katerimi zaznavajo fizično okolje, v

katerem letijo. Letijo lahko samostojno po vnaprej določeni zračni poti ali pa jih
krmilijo na daljavo preko radijskih povezav. Droni so opremljeni z različnimi
senzorji, kot so na primer visoko resolucijske kamere, GPS senzorji za določanje
pozicije drona v prostoru, senzorji magnetnega polja za orientacijo, pospeškomer,

žiroskopi za stabilizacijo leta, temperaturo, vlago in drugi.
Droni se lahko uporabljajo na naslednjih področjih (Maheshwari, 2019):
− zasebno:
− rekreativno letenje,
− snemanje fotografij in videoposnetkov iz zraka,
− zračne dirke in tekmovanja,
− v gospodarskih dejavnostih:
− za transport in logistiko,
− za snemanje fotografij in videoposnetkov iz zraka,
− za zbiranje podatkov iz okolja (poljedelstvo, gozdarstvo, pregled
gradbenih konstrukcij in infrastrukture),
− v vojaške namene:
− za izvidniške naloge (mikro in taktični droni),
− za vojaški boj iz zraka (veliki strateški droni).
Mednarodna zveza inženirjev je v standardu J3016 – opredelila naslednjih šest

stopenj avtonomne vožnje za avtonomna vozila (SAE International, 2018):
0. stopnja: brez funkcij za avtonomno vožnjo – voznik vozi vozilo popolnoma

sam.
1. stopnja: vožnja s posameznimi pomožnimi funkcijami, kot npr. upravljanje
hitrosti ali smeri vožnje – vožnjo še vedno v celoti nadzira voznik.
2. stopnja: delno avtonomna vožnja z več pomožnimi funkcijami, kot npr.
upravljanje hitrosti in hkrati smeri vožnje – vožnjo še vedno v celoti nadzira
voznik.
3. stopnja: pogojna avtonomna vožnja, kjer sistem prevzame popolni nadzor
nad vožnjo avtonomnega vozila v določenih operativnih pogojih delovanja
sistema za avtonomno vožnjo.
4. stopnja: visoka stopnja avtonomne vožnje, kjer sistem prevzame popolni
nadzor nad vožnjo, vključno z izogibanjem tveganim situacijam, zaradi
katerih lahko odloži predajo kontrole avtonomnega vozila vozniku do
trenutka, ko oceni, da ni tveganja.
5. stopnja: popolnoma avtonomna vožnja je stopnja, kjer sistem prevzame

popolni nadzor nad vožnjo v vseh pogojih, tudi v primeru, ko se voznik ne
odzove na zaznano tveganje. Sistem preda nadzor nad vožnjo vozniku, ko
oceni, da za predajo nadzora nad vožnjo ni nobenega tveganja.
Avtonomna vozila v obliki popolno avtonomnih avtomobilov, tovornjakov in

avtobusov, ki lahko samostojno brez voznikov vozijo po cestni mreži, lahko
povzročijo revolucionarne spremembe cestnega prometa. Število nesreč in smrtnih
žrtev v cestnem prometu bi se lahko znatno zmanjšalo. Čas, ki ga ljudje zapravimo
v prometni gneči, bi lahko uporabili bolj koristno, tj. za delo, izobraževanje ali prosti
čas. Tovrstna sprememba bi vplivala na razvoj urbanega okolja, saj bi novi načini
cestnega prometa zahtevali manj parkiranja ter izboljšali varnost in učinkovitost za
vse. Robotska vozila, ki bi na zahtevo brez truda prevažala ljudi in tovor po svetu,
bi s tem omogočila nastanek popolnoma novih poslovnih modelov za distribucijo
blaga in storitev. Pandemija Covid-19 je spodbudila razvoj avtonomnih vozil, saj so
se med pandemijo izrazito povečale potrebe po bolj učinkoviti logistiki za dostavo
paketov iz spletne prodaje, hkrati so se povečale tudi potrebe po individualnih
prevozih ljudi zaradi zmanjšanja uporabe javnih prevoznih sredstev (vlak, avtobus,
letalo, ladje) zaradi fizičnega distanciranja in omejevanja širjenja okužb z virusom.
3.7. Veriženje podatkovnih blokov – Blockchain
Tehnologija veriženja podatkovnih blokov omogoča, da skupina uporabnikov varno

in zaupljivo shranjuje podatke v distribuirani podatkovni zbirki, in sicer v obliki
podatkovnih blokov, ki vsebujejo transakcije, ki so med seboj povezane s
kriptografskimi matematični operacijami na tak način, da tako shranjenih podatkov
praktično ni možno spremeniti, ponarediti ali zanikati njihovega obstoja.
Tehnologija veriženja podatkovnih blokov shranjuje zapise o transakcijah med
uporabniki v omrežju sodelujočih računalnikov, ki izvajajo oblikovanje verige
blokov z uporabo metod šifriranja in distribuiranega reševanja zapletenih
matematičnih operacij. Tako oblikovane podatkovne verige se shranijo v
distribuirani bazi podatkov, ki gostuje na vseh sodelujočih računalnikih v omrežju.
Obstoja zapisa v omrežju ni možno spremeniti brez sodelovanja večine računalnikov
in zato tehnologija veriženja podatkovnih blokov omogoča varne in zaupanja vredne
zapise o poteku transakcij med člani omrežja.
Tehnologijo veriženja podatkovnih blokov sestavljajo naslednji temeljni elementi

(Arun, Cuomo, & Gaur, 2019):
− skupna glavna knjiga transakcij v omrežju je zagotovljena z distribuirano bazo

podatkov, ki omogoča samo dodajanje zapisov, ki jih za nazaj ni mogoče
spreminjati;
− pametne pogodbe omogočajo izvajanje elektronskih transakcij v distribuirani
bazi podatkov, skladno z dogovorjenimi poslovnimi pravili med sodelujočimi
deležniki v omrežju;
− zasebnost transakcij omogoča šifriranje s kriptografskimi metodami, ki
zagotavljajo avtentičnost in preverljivost izvedenih transakcij v omrežju;
− zaupanje temelji na konsenzu o izvedenih transakcijah med sodelujočimi
deležniki v omrežju, posamezni deležnik ne more izbrisati, zanikati ali
spremeniti zapisa v skupni glavni knjigi. Zaupanje temelji na distribuirani
obdelavi transakcij v omrežju, v kateri sodelujejo deležniki v sistemu.
Tehnologija veriženja podatkovnih blokov omogoča oblikovanje inovativnih

poslovnih interakcij in s tem omogoča oblikovanje digitalnih poslovnih modelov, ki
jih do sedaj še ni bilo mogoče izvesti (Arun idr., 2019). Tehnologija veriženja
podatkovnih blokov kaže svoj potencial s tem, da močno zmanjša stroške in
zapletenost opravljanja digitalnih interakcij v številnih gospodarskih panogah,
državnih organih, vladnih agencijah, socialnih ustanovah ter tako omogoči človeku
in družbi razširitev temeljnih pravic (Tapscott & Tapscott, 2018):
− osebna varnost – varovanje osebne identitete, podatkov in dosežkov;

− izobraževanje – dostop do preverljivih izobraževalnih vsebin na vseh stopnjah
izobraževanja;
− zaposlitev – možnost opravljanja dela, ustanavljanja podjetij in monetiziranje
svojega dela in ustvarjenih podatkov;
− zdravje – dostop do zdravstvene oskrbe, zdrave prehrane in zdravil, ki so
preverjena in vredna zaupanja;
− ekonomska varnost – oblikovanje novih poklicev in zaposlitev, vzporedno tudi
zagotavljanje univerzalnega temeljnega dohodka za primer, če ljudje zaradi
digitalne preobrazbe postanejo nezaposleni;
− klimatske spremembe – zagotavljanje čistega okolja za življenje z zagotavljanjem

preverljivih podatkov o okolijskih izpustih;
− mir in svoboda – zagotavljanje pravičnejše delitve ustvarjene vrednosti v svetu
in s tem manj terorizma in kriminalnega nasilja;
− politična in institucionalna odgovornost predstavnikov oblasti do svojih
državljanov in volivcev z uporabo pametnih pogodb med oblastjo in volivci ter
med managementom in zaposlenimi v organizacijami.
4 Pogled v prihodnost
Razvoj informacijske tehnologije omogoča nove načine povezovanja ljudi, obdelave

podatkov za oblikovanja informacij, upravljanje sredstev za ustvarjanje vrednosti v
gospodarskih in družbenih sistemih. Oblikujejo se novi ekosistemi, ki delujejo na
digitalnih platformah, kjer se informacije učinkovito prenašajo med deležniki v
omrežju, kjer se vrednost učinkovito deli med vse sodelujoče deležnike. Digitalizacija
spreminja svet, zato se morajo z digitalizacijo spreminjati tako posameznik z
vseživljenjskim izobraževanjem in usvajanjem digitalnih kompetenc kakor tudi
podjetja z digitalno preobrazbo ter nenazadnje tudi celotna družba, ki mora znati
povezati vse ljudi v učinkovito, človeku in okolju prijazno družbo za trajen in
vzdržen razvoj.
Literatura
Aggarwal, C. C. (2015). Outlier Analysis. V Data Mining (str. 237–263). https://doi.org/10.1007/978-

3-319-14142-8_8
Arun, J. S., Cuomo, G., & Gaur, N. (2019). Blockchain for Business. Addison-Wesley.
Benitez, J., Castillo, A., Llorens, J., & Braojos, J. (2018). IT-enabled knowledge ambidexterity and
innovation performance in small U.S. firms: The moderator role of social media capability.
Information & Management, 55(1), 131–143. https://doi.org/10.1016/J.IM.2017.09.004
Chierici, R., Mazzucchelli, A., Garcia-Perez, A., & Vrontis, D. (2019). Transforming big data into
knowledge: the role of knowledge management practice. Management Decision, 57(8), 1902–1922.
https://doi.org/10.1108/MD-07-2018-0834
Delen, D. (2019). Prescriptive Analytics: The Final Frontier for Evidence-Based Management and Optimal Decision
Making. Pridobljeno od https://www.oreilly.com/library/view/prescriptive-analytics-
the/9780134389035/
Dellot, B., & Wallace-Stephens, F. (2017). The Age of Automation Artificial intelligence, robotics and the future
of low-skilled work. London: RSA.
Deloitte. (2017). Office 365TM cloud discovery services. Pridobljeno od
https://www2.deloitte.com/content/dam/Deloitte/us/Documents/finance/us-fas-office-
365-cloud-discovery.pdf
Deloitte. (2021). About Deloitte. Pridobljeno 14. februar 2021., od
https://www2.deloitte.com/uk/en/legal/about-deloitte.html
Dohn, N. B. (2009). Web 2.0: Inherent tensions and evident challenges for education. International
Journal of Computer-Supported Collaborative Learning, 4(3), 343–363.
https://doi.org/10.1007/s11412-009-9066-8
Evropska Komisija. (2020). Indeks digitalnega gospodarstva in družbe (DESI) 2020. Pridobljeno od
https://www.knjiznice.si/wp-content/uploads/2020/07/DESI2020-SLOVENIA-lang.pdf
Farhadi, M., Ismail, R., & Fooladi, M. (2012). Information and Communication Technology Use and
Economic Growth. PLoS ONE, 7(11), e48903.
https://doi.org/10.1371/journal.pone.0048903
Franke, S., & Ethority. (2018). Global Social Media Prism. Pridobljeno 13. februar 2021., od
https://ethority.de/en/social-media-prism/
Gandomi, A., & Haider, M. (2015). Beyond the hype: Big data concepts, methods, and analytics.
International Journal of Information Management, 35(2), 137–144.
https://doi.org/10.1016/j.ijinfomgt.2014.10.007
Greenberg, P. (2008). CRM at the speed of light: social CRM 2.0 Strategies, tools, and techniques for engaging your
customers (4. izd.). Emeryville, CA: McGraw Hill Professional.
Heilig, L., Schwarze, S., & Voss, S. (2017). An Analysis of Digital Transformation in the History and
Future of Modern Ports. Hawaii International Conference on System Sciences 2017 (HICSS-50).
Pridobljeno od https://aisel.aisnet.org/hicss-50/da/decision_support_for_scm/2
Heslop, B. (2019). A Brief History of Digital Transformation - The Network Effect. Pridobljeno 2.
februar 2021., od https://supplychainbeyond.com/a-brief-history-of-digital-transformation/
Hindle, G., Kunc, M., Mortensen, M., Oztekin, A., & Vidgen, R. (2020, marec 16). Business analytics:
Defining the field and identifying a research agenda. European Journal of Operational Research, Let.
281, str. 483–490. https://doi.org/10.1016/j.ejor.2019.10.001
Huang, J., Baptista, J., & Newell, S. (2015). Communicational ambidexterity as a new capability to
manage social media communication within organizations. Journal of Strategic Information Systems,
24(2), 49–64. https://doi.org/10.1016/j.jsis.2015.03.002
IBM. (2020). Bestseller and IBM Garage bring sustainable fashion forward with Fashion.ai. Pridobljeno
3. marec 2021., od https://www.ibm.com/blogs/journey-to-ai/2020/09/bestseller-and-ibm-
garage-bring-sustainable-fashion-forward-with-fashion-ai/
Innovecs. (2020). The Future of Cloud Computing: Benefits and Trends. Pridobljeno 7. februar 2021.,
od https://innovecs.com/blog/future-of-cloud-computing/
Intel. (2017). Getting Started with Advanced Analytics. Pridobljeno od
https://www.intel.com/content/dam/www/public/us/en/documents/guides/analytics-
planning-guide.pdf
Kaplan, A. M., & Haenlein, M. (2010). Users of the world, unite! The challenges and opportunities of
Social Media. Business Horizons, 53(1), 59–68. https://doi.org/10.1016/j.bushor.2009.09.003
Labrinidis, A., & Jagadish, H. V. (2012). Challenges and opportunities with big data. Proceedings of the
VLDB Endowment, 5(12), 2032–2033. https://doi.org/10.14778/2367502.2367572
Leonardi, P. M., Huysman, M., & Steinfield, C. (2013). Enterprise Social Media: Definition, History,
and Prospects for the Study of Social Technologies in Organizations. Journal of Computer-
Mediated Communication, 19(1), 1–19. https://doi.org/10.1111/jcc4.12029
Li, Y., Shi, S., Wu, Y., & Chen, Y. (2021). A review of enterprise social media: visualization of landscape
and evolution. Internet Research. https://doi.org/10.1108/INTR-07-2020-0389
Maheshwari, A. (2019). Digital Transformation: Building Intelligent Enterprises. John Wiley & Sons, Inc.
Marolt, M., Lenart, G., & Pucihar, A. (2016). Uporaba družbenih medijev v slovenskih podjetjih.
Uporabna informatika, 24(2). Pridobljeno od https://www.dlib.si/details/URN:NBN:SI:DOC-
HBU2QZRY
Marolt, M., Zimmermann, H.-D., Žnidaršič, A., & Pucihar, A. (2020). Exploring social customer
relationship management adoption in micro, small and medium-sized enterprises. Journal of
Theoretical and Applied Electronic Commerce Research, 15(2). https://doi.org/10.4067/S0718-
18762020000200104
Menezes, B. C., Kelly, J. D., Leal, A. G., & Le Roux, G. C. (2019). Predictive, prescriptive and detective
analytics for smart manufacturing in the information age. IFAC-PapersOnLine, 52(1), 568–573.
https://doi.org/10.1016/j.ifacol.2019.06.123
Microsoft. (2020). Industrial automation firm creates CoE to train users and ensure value with data
analytics. Pridobljeno 2. marec 2021., od https://customers.microsoft.com/en-
GB/story/791222-rockwell-automation-manufacturing-power-bi
Mortenson, M. J., Doherty, N. F., & Robinson, S. (2015, marec 16). Operational research from
Taylorism to Terabytes: A research agenda for the analytics age. European Journal of Operational
Research, Let. 241, str. 583–595. https://doi.org/10.1016/j.ejor.2014.08.029
Moshtaghi, M., Bezdek, J. C., Leckie, C., Karunasekera, S., & Palaniswami, M. (2015). Evolving fuzzy
rules for anomaly detection in data streams. IEEE Transactions on Fuzzy Systems, 23(3), 688–700.
https://doi.org/10.1109/TFUZZ.2014.2322385
Power, D. J. (2007). A Brief History of Decision Support Systems. Pridobljeno 27. februar 2021., od
http://dssresources.com/history/dsshistoryv28.html
Ransbotham, S., & Gallaugher, J. (2010). Social Media and Customer Dialog Management at Starbucks.
MIS Quarterly Executive, 9(4). Pridobljeno od https://aisel.aisnet.org/misqe/vol9/iss4/3
Rehman, M. H. U., Chang, V., Batool, A., & Wah, T. Y. (2016). Big data reduction framework for value
creation in sustainable enterprises. International Journal of Information Management, 36(6), 917–928.
Riemer, K., Scifleet, P., & Reddig, R. (2012). Powercrowd: Enterprise Social Networking in Professional Service
Work: A Case Study of Yammer at Deloitte Australia. Pridobljeno od
http://sydney.edu.au/business/information_systems/research/working_papers.
SAE International. (2018). Surface vehicle recommended practice. SAE International.
Saghezchi, F. B., Rodriguez, J., Mumtaz, S., Radwan, A., Lee, W. C. Y., Ai, B., … M., A.-E. (2015).
Drivers for 5G: The ‘Pervasive Connected World’. V J. Rodriguez (Ur.), Fundamentals of 5G
Mobile Networks. John Wiley & Sons, Ltd.
Salmon, J., Harmany, Z., Deledalle, C. A., & Willett, R. (2014). Poisson noise reduction with non-local
PCA. Journal of Mathematical Imaging and Vision, 48(2), 279–294.
https://doi.org/10.1007/s10851-013-0435-6
Serpanos, D., & Wolf, M. (2017). Internet-of-things (IoT) systems: Architectures, algorithms,
methodologies. V Internet-of-Things (IoT) Systems: Architectures, Algorithms, Methodologies.
https://doi.org/10.1007/978-3-319-69715-4
Sheldon, A. (2020). Mobile Tech Trends 2021: Era of Immersive Technologies. Becoming Human:
Artificial Intelligence Magazine. Pridobljeno od https://becominghuman.ai/mobile-tech-trends-
2021-era-of-immersive-technologies-2b92ea65ee3e
Singh, N., Javeed, A., Chhabra, S., & Kumar, P. (2015). Missing Value Imputation with Unsupervised
Kohonen Self Organizing Map. V Emerging Research in Computing, Information, Communication and
Applications (str. 61–76). https://doi.org/10.1007/978-81-322-2550-8_7
Starbucks. (2021). Starbucks Coffee Company. Pridobljeno 15. februar 2021., od
https://www.starbucks.com/about-us/company-information
Statista. (2021). Internet users in the world 2021.
Tapscott, D., & Tapscott, A. (2018). Blockchain Revolution: How the Technology Behind Bitcoin and Other
Cryptocurrencies Is Changing the World. New York: Portfolio.
Tardieu, H., Daly, D., Esteban-Lauzán, J., Hall, J., & Miller, G. (2020). The Birth of Digital—A Brief
History of Digital Technologies. https://doi.org/10.1007/978-3-030-37955-1_1
Usluel, Y. K., & Mazman, S. G. (2009). Adoption of Web 2.0 tools in distance education. Procedia -
Social and Behavioral Sciences, 1(1), 818–823. https://doi.org/10.1016/j.sbspro.2009.01.146
Van Dijck, J. (2013). The Culture of Connectivity: A Critical History of Social Media s. Pridobljeno od
https://www.amazon.com/Culture-Connectivity-Critical-History-Social-
ebook/dp/B00AWOTA96
Verhoef, P. C., Broekhuizen, T., Bart, Y., Bhattacharya, A., Qi Dong, J., Fabian, N., & Haenlein, M.
(2021). Digital transformation: A multidisciplinary reflection and research agenda. Journal of
Business Research, 122, 889–901. https://doi.org/10.1016/j.jbusres.2019.09.022

Vidgen, R., Kirshner, S. N., & Tan, F. (2019). Business analytics: A management approach. Red Globe Press.
Vithayathil, J., Dadgar, M., & Osiri, J. K. (2020). Social media use and consumer shopping preferences.
International Journal of Information Management, 54, 102117.
https://doi.org/10.1016/j.ijinfomgt.2020.102117
Vu, K. M. (2011). ICT as a source of economic growth in the information age: Empirical evidence
from the 19962005 period. Telecommunications Policy, 35(4), 357–372.
https://doi.org/10.1016/j.telpol.2011.02.008
Wang, X., & Gao, L. (2020). When 5G Meets Industry 4.0. V When 5G Meets Industry 4.0.
https://doi.org/10.1007/978-981-15-6732-2
Wehner, B., Ritter, C., & Leist, S. (2017). Enterprise social networks: A literature review and research
agenda. Computer Networks, 114, 125–142. https://doi.org/10.1016/j.comnet.2016.09.001
Yaqoob, I., Chang, V., Gani, A., Mokhtar, S., Hashem, I. A. T., Ahmed, E., … Khan, S. U. (2016, april
19). Information fusion in social big data: Foundations, state-of-the-art, applications,
challenges, and future research directions. International Journal of Information Management.
Zhai, Y., Ong, Y. S., & Tsang, I. W. (2014). The emerging „Big dimensionality“. IEEE Computational
Intelligence Magazine, 9(3), 14–26. https://doi.org/10.1109/MCI.2014.2326099

Tehnološki Trendi Digitalne Preobrazbe

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Tehnološki Trendi Digitalne Preobrazbe

Uploaded by

Copyright:

Available Formats

TEHNOLOŠKI TRENDI DIGITALNE

Povzetek Digitalne tehnologije so eden izmed pomembnih

Abstract Digital technologies are one of the key drivers of the

Digitalne tehnologije so eden izmed pomembnih zunanjih dejavnikov, ki vplivajo na

Eksponentni razvoj digitalnih tehnologij temelji na Teoriji informacij,

povezanost številnih računalnikov, kar je privedlo do množičnega ustvarjanja vsebin.

Vsa omenjena tehnologija nam omogoča, da lahko virtualnega asistenta vprašamo

Slika 1: Kratka zgodovina razvoja digitalnih tehnologij

Kljub negativnim posledicam se trend razvoja na področju digitalnih tehnologij ne

2 Tehnološki trendi razvoja

Obstaja več tehnologij in tehnoloških trendov, ki v zadnjih letih vplivajo na

Trenutno so poleg štirih zgoraj omenjenih tehnologij aktualne tudi umetna

Tabela 1: Tehnološki trendi in njihova zrelost

Digitalne tehnologije (npr. družbeni mediji, mobilne tehnologije, oblačne storitve),

3.1 Družbeni mediji

YouTube (2005) in Twitter (2006), začeli ponujati različne funkcionalnosti, ki so

Slika 2: Globalna prizma družbenih medijev 2017/2018

Na družbenih medijih oz. platformah, ki so se obdržali, so bili zgrajeni milijoni

Posamezniki so se z uporabo družbenih medijev najprej v skupine povezovali

Družbene medije, do katerih imajo dostop samo zaposleni znotraj organizacije,

Starbucks je eno izmed prvih podjetij, ki je začelo agresivno uporabljati družbene

3.2. Mobilna tehnologija (5G)

Mobilna tehnologija je ena temeljnih prebojnih tehnologij, saj je uspela v zadnjih 30

termometer, svetlobometer ter številne druge senzorje, ki omogočajo uporabo

Z veliko razširitvijo uporabe mobilne tehnologije 4G so se pokazale tudi nekatere

− hitro naraščajoč podatkovni promet v mobilnih omrežjih in omejena hitrost

1980 1990 2000 2010 2020

Analog Digitalne povezave

Glasovni Internet Pametni Pametna

Slika 3: Generacije mobilne tehnologije 1G–5G

4G mobilna tehnologija je bila namenjena predvsem končnim uporabnikom,

2020 z objavo uradnih 5G standardov s strani International Mobile

Urad za radiokomunikacijske zveze lTU (ITU-BR) v svojih IMT 2020 priporočilih

− izboljšava širokopasovnih mobilnih komunikacij: povečanje zmogljivosti

Glede na zgoraj navedene IMT-2020 usmeritve bo 5G mobilna tehnologija

− pametna omrežja, pametna mesta, pametne tovarne, pametni dom,

− aplikacije za izboljšanje javne varnosti,

Začetek uvajanja 5G mobilne tehnologij se je začelo v letu 2020. 5G mobilna

Slika 4: Primer arhitekture 5G mobilne tehnologije

3.3. Masovni podatki in analitika

in analizo podatkov. Z razvojem novih tehnologij, predvsem internetnih storitev, sta

Pripravljene podatke se lahko uporabi za različne analitike, s pomočjo katerih lahko

Razvoj in zrelost analitike sta torej skladna z razvojem informacijske tehnologije,

Umetna inteligenca Operacijske

Slika 5: Taksonomija disciplin, povezanih z analitiko

Podatki in umetna inteligenca so se izkazali kot zelo pomembni spodbujevalci

3.4. Računalništvo v oblaku

Računalništvo v oblaku omogoča podjetjem in organizacijam, da dostopajo do

ustrezne IT infrastrukture, zmanjšajo investicije v osnovna sredstva in optimirajo

Slika 6: Prednosti računalništva v oblaku

Računalništvo v oblaku prinaša podjetju naslednje prednosti (Maheshwari, 2019):

− boljše planiranje izrabe IT infrastrukture – orodja za upravljanje računalniškega

posamezne IT eksperte, kot so na primer varnostni strokovnjaki, sistemski

Ključne značilnosti računalništva v oblaku so (Maheshwari, 2019):

− avtomatizirano upravljanje virtualizirane računalniške strojne opreme, ki je

− vse storitve računalniškega oblaka so varovane z redundantnimi kopijami

Računalniški oblak se lahko vzpostavi na tri načine glede lastništva IT infrastrukture

− javni računalniški oblak vzpostavi ponudnik storitev računalniškega oblaka in ga

Storitve računalniškega oblaka se razdelijo glede upravljanja posameznih gradnikov

Slika 6: Vrste računalniškega oblaka

IaaS - Infrastructure as a Service - Infrastruktura kot storitev računalniškega oblaka

SaaS – Software as a Service - Programska rešitev kot storitev omogoča uporabo

PaaS - Platform as a Service - Patforma kot storitev je storitev računalniškega oblaka,